互联网事件自动识别系统的研究与设计
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题研究的背景及意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·本论文的内容安排 | 第13-15页 |
| ·主要研究内容 | 第13页 |
| ·研究的重点难点 | 第13-14页 |
| ·论文的结构安排 | 第14-15页 |
| 第2章 话题识别与跟踪的相关理论及技术 | 第15-25页 |
| ·话题识别模型 | 第15-17页 |
| ·布尔模型 | 第15页 |
| ·向量空间模型 | 第15-16页 |
| ·概率模型 | 第16页 |
| ·语言模型 | 第16-17页 |
| ·文本特征选择 | 第17-19页 |
| ·信息增益法 | 第17页 |
| ·基于文档频率的特征选取方法 | 第17-18页 |
| ·互信息法 | 第18页 |
| ·χ2统计量法 | 第18-19页 |
| ·特征项权重及文本相似度计算 | 第19-22页 |
| ·词频因子 TF | 第19页 |
| ·逆文档频率因子 IDF | 第19-20页 |
| ·TF-IDF 框架 | 第20页 |
| ·文本相似度计算方法 | 第20-22页 |
| ·文本聚类技术 | 第22-24页 |
| ·基于划分的聚类方法 | 第22页 |
| ·基于层次的聚类方法 | 第22-23页 |
| ·基于密度的聚类方法 | 第23页 |
| ·基于网格的聚类方法 | 第23-24页 |
| ·本章小结 | 第24-25页 |
| 第3章 一种改进的增量聚类算法 | 第25-35页 |
| ·基于特征词权重加权的空间向量模型 | 第25-27页 |
| ·新闻报道加权特征表示 | 第25-26页 |
| ·加权词频因子 TF | 第26页 |
| ·逆文档频率因子 IDF | 第26-27页 |
| ·传统的 Single-Pass 聚类算法 | 第27-28页 |
| ·改进的 Single-Pass 聚类算法 | 第28-31页 |
| ·实验及结果分析 | 第31-34页 |
| ·实验评价标准 | 第31页 |
| ·实验测试数据 | 第31页 |
| ·实验结果分析 | 第31-34页 |
| ·实验结论 | 第34页 |
| ·本章小结 | 第34-35页 |
| 第4章 互联网事件自动识别系统的设计 | 第35-49页 |
| ·系统需求分析 | 第35页 |
| ·Web 信息抽取设计 | 第35-38页 |
| ·Web 信息抽取模块概要设计 | 第35-36页 |
| ·Web 信息抽取模块详细设计 | 第36-38页 |
| ·事件识别与跟踪模块设计 | 第38-48页 |
| ·事件识别模块概要设计 | 第38-42页 |
| ·事件识别模块详细设计 | 第42-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 系统实现与测试 | 第49-53页 |
| ·开发环境简介 | 第49页 |
| ·系统实现与测试 | 第49-51页 |
| ·本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的学术论文 | 第59-61页 |
| 致谢 | 第61页 |
